基于概率轨迹预测的列车编队风险场构建和安全防护方法及系统
本发明涉及轨道交通列车运行控制,具体涉及一种基于概率轨迹预测的列车编队风险场构建和安全防护方法及系统。尤其涉及虚拟重联模式下,基于深度学习的列车编队运行轨迹概率分布预测方法,尤其适用于需要量化轨迹预测不确定性的列车追踪间隔控制场景。
背景技术:
1、未来轨道交通主要以突破轨道交通智能控制、车车通信(v2v)、自主协同等核心技术;推进铁路数智化升级,部署5g-a/6g、北斗高精度定位、车地一体化通信网络,支撑列车动态编组与协同运行;完善“八纵八横”高铁主通道,以技术创新提升既有线能力,发展智能重载、灵活编组,提高货运效率与弹性为发展方向。当前普遍采用的ctcs-3级列控系统,以固定闭塞方式组织行车,列车间隔依赖预设闭塞分区,存在间隔冗余大、轨道资源利用率低、行车间距难以动态优化等问题,难以支撑高密度编队化运营。虚拟重联技术通过gsm-r/lte-r等无线通信实现多列车状态共享与协同控制,以“虚拟编队”方式缩小追踪间隔、提升线路通过能力,已成为下一代高铁列控与智能运营的核心技术方向,也是支撑时速400公里商业化运营、满足高密度行车需求的关键路径。
2、虚拟重联列车编队运行的核心难点在于动态、安全、精准的列车间隔控制,而列车未来运行轨迹预测是实现间隔动态优化的前提。现有研究在虚拟重联间隔控制方面已形成pid、模型预测控制、滑模控制、深度学习、强化学习等多种技术方案,但在轨迹预测建模层面仍存在明显短板:
3、仅依赖瞬时状态、缺乏未来意图预判:传统间隔计算多基于前车当前时刻位置、速度、加速度进行推算,未对前车未来一段时间内的加速、匀速、制动等运行意图进行建模,难以适应进站、限速、临时调速等复杂工况下的动态间隔调整。多车时空交互建模缺失:现有轨迹预测方法多面向单车或两车场景,未充分刻画编队内前后列车间的强空间耦合与时序依赖关系;尤其在3列及以上大规模编队场景下,无法有效捕捉多车间的相互影响,导致预测精度下降、多车协同控制难以落地。轨迹不确定性未量化、缺乏概率表达:现有方法多输出确定性轨迹点,无法给出未来轨迹的概率分布与置信区间;在高速、高密度、强随机扰动的运营环境中,难以量化预测不确定性,无法为间隔控制提供安全裕度的量化依据。
4、近年来,时空注意力机制(spatio-temporal attention)在交通轨迹预测领域取得显著进展,通过时间注意力捕捉长时序依赖、空间注意力建模多智能体交互,能够有效刻画复杂场景下的时空关联特征;同时,结合概率生成模型可输出轨迹概率分布,实现不确定性量化。虚拟重联列车编队本质为多智能体时空协同系统,编队内列车历史轨迹、当前状态与未来意图高度耦合,与时空注意力机制在建模能力上高度匹配。然而,目前将时空注意力机制引入列车编队轨迹预测的研究仍处于起步阶段,尚未形成面向虚拟重联场景、支持多车协同、可输出轨迹概率分布的系统化预测方法。
技术实现思路
1、本发明的目的在于提供一种基于概率轨迹预测的列车编队风险场构建和安全防护方法及系统,通过时空注意力编码器捕获多车时空依赖关系,融合列车动力学约束,输出未来轨迹概率分布并量化不确定性,为虚拟重联动态间隔精准计算提供可靠支撑,在保障安全前提下最大化轨道资源利用率,以解决上述背景技术中存在的至少一项技术问题。
2、为了实现上述目的,本发明采取了如下技术方案:
3、第一方面,本发明提供一种基于概率轨迹预测的列车编队风险场构建和安全防护方法,包括:
4、构建列车编队历史轨迹数据集;其中,按照固定的时间间隔对列车运行状态按照列车编队集合中的顺序进行采样,得到时刻长度为的历史轨迹;其中,列车编队集合中按照编队前进的反方向列车编号依次增大,列车运动的状态变量包括在时刻列车沿着轨道方向的位移和速度;
5、将历史轨迹中的位移、速度信息映射嵌入到高维状态空间,并采用可学习查找表的方式为嵌入后的序列添加时序信息,得到特征序列;
6、构建时空注意力编码器,时间注意力编码器用于捕捉列车轨迹时序、列车间的轨迹相互影响关系,该编码器由多层相同结构堆叠而成,在每一层中,先沿着时间维度对输入序列进行时间注意力计算,再沿着空间维度进行空间注意力计算,所述空间注意力计算以编队中相邻列车轨迹为对象,捕获列车间的相互影响关系,最后经前馈网络、残差连接与归一化操作得到编队列车历史轨迹间的时空交互特征;
7、构建融合注意力解码器,该解码器同样由多层相同结构堆叠而成,其输入由两部分构成:一部分为所述编码器的输出,另一部分为被预测列车的历史轨迹,在解码器每一层中,首先对被预测列车的历史轨迹进行带因果掩码的自注意力计算,再以该计算结果为查询,与编码器输出进行融合注意力计算,并通过求和方式融合不同来源的注意力结果,生成未来轨迹的隐藏表示;
8、构建混合概率密度输出层,通过线性层将解码器的输出映射到多模态高斯分布的参数空间,得到每个预测时间步对应的模态权重、位移和速度期望、标准差及相关系数,对这些参数施加激活函数以满足约束,最终输出被预测列车未来轨迹的概率分布;
9、在得到预测轨迹的高斯分布后,进行轨道占用概率的计算,结合列车实际长度,把轨迹高斯分布转化为轨道占用概率分布;构建碰撞风险场,综合列车速度、加速度、质量、预测时长及线路条件,计算单列车及编队整体风险场强度;计算动态安全间隔,融合制动性能、轨迹不确定性、碰撞风险,得出可动态调整的安全行车间距;最后通过蒙特卡洛采样算出间隔侵入概率,依据概率划分安全、预警、危险、紧急四个等级,并匹配对应的行车控制指令。
10、作为本发明第一方面的进一步限定,时空注意力编码器由多层结构堆叠构成,每层依次执行时间注意力与空间注意力计算;时间注意力沿时间维度聚焦单车轨迹的时序依赖关系,获取历史时刻对当前状态的影响权重;空间注意力沿空间维度以列车为单元,挖掘编队内相邻列车间的轨迹交互与耦合特性;每层注意力计算后均采用残差连接与层归一化保证训练稳定性,并通过前馈网络完成特征非线性变换与筛选;多层堆叠后,编码器输出能够全面表征列车编队历史运行规律的时空交互特征。
11、作为本发明第一方面的进一步限定,融合注意力解码器由多层结构堆叠构成,用于自回归生成列车未来轨迹隐藏特征;所述融合注意力解码器中,根据编队列车历史轨迹间的时空交互特征和另外一部分来自于被预测列车的历史轨迹,对被预测列车历史轨迹执行带因果掩码的自注意力计算,得到自注意力输出的特征张量;对自注意力输出的特征张量采用融合注意力机制,得到两个特征张量;将两个特征张量通过求和方式进行融合;再经前馈网络、残差连接和归一化操作,得到该层解码器的输出;堆叠多层后,以最后一层解码器的输出作为最终输出。
12、作为本发明第一方面的进一步限定所述混合概率密度输出层具体包括:添加混合概率密度输出层,增加线性层将未来轨迹的隐藏表示映射到概率密度的参数空间中;通过线性层将解码器输出映射为包含模态权重、位移和速度期望、速度期望、标准差及相关系数的参数向量,对模态权重向量施加softmax激活函数,使其满足和为1的约束;对标准差施加指数函数保证其为正;对相关系数施加双曲正切函数限制在合理范围;
13、在训练阶段,以负对数似然的方法计算损失值,计算在每一时间步上真值对应的似然值,并取负对数求和作为总损失;在推理阶段,按各模态权重对期望和协方差进行加权求和,得到最终的高斯分布参数,用于描述预测轨迹的不确定性。
14、作为本发明第一方面的进一步限定,所述碰撞风险场的构建具体包括:
15、首先在得到被预测列车未来轨迹的多模态高斯概率分布参数后,将其转换为列车轨道的占有率;结合列车实际质量、速度风险修正系数与列车速度,构建列车等效风险质量,根据预测速度估计第i列车在未来第个时间步的加速度得到加速度后根据列车质量和速度构建等效风险质量;引入时间衰减因子,表征预测时刻远近对行车指挥的影响程度,同时结合轨道位置、列车预测中心位置与极小正数,计算轨道位置与列车预测中心位置的修正距离;基于概率占用强度、等效风险质量、时间衰减因子、修正距离、风险场强度系数、速度影响系数、加速度影响系数,计算单列车在对应预测时间步、轨道位置处的碰撞风险场强度;结合编队内各列车风险场权重、列车数量、线路条件风险场及线路风险场权重,叠加得到整个列车编队在对应预测时间步、轨道位置处的总碰撞风险场。
16、作为本发明第一方面的进一步限定,基于时空注意力的列车编队运行轨迹概率分布预测包括:计算动态安全间隔,动态安全间隔由基础制动安全间隔、概率不确定性安全裕度、风险场附加安全裕度三部分组成;根据固定安全距离、制动响应总延迟、追踪列车制动减速度、前行列车制动减速度、线路附加安全距离,计算基础制动安全间隔;结合前后列车位置、前行列车等效占用长度,定义两车预测净间隔,并求解预测间隔的均值与方差;依据标准正态分位系数、两车预测间隔标准差,计算概率不确定性安全裕度;基于预测不确定性得到概率安全裕度;基于总碰撞风险场强度,计算风险场附加安全裕度;叠加基础制动安全间隔、概率不确定性安全裕度、风险场附加安全裕度,得到最终动态安全间隔。
17、作为本发明第一方面的进一步限定,基于蒙特卡洛采样的风险概率计算包括:
18、开展多次蒙特卡洛采样,从前行列车与追踪列车的轨迹高斯概率分布中采样选取高斯模态,并基于所选高斯模态采样得到列车位置、速度状态;
19、根据采样得到的列车速度,计算对应采样场景下的列车加速度,并重新求解采样场景下的总碰撞风险场;
20、计算采样场景下前后列车净间隔,设置指示函数判断当前采样轨迹是否侵入动态安全间隔,统计全部采样结果得到动态安全间隔侵入概率;
21、根据动态安全间隔侵入概率,预先设定多级风险阈值,依据动态安全间隔侵入概率划分安全、预警、危险、紧急四类运行风险等级;当判定为安全状态时,下发保持运行或适度牵引指令;当判定为风险预警状态时,下发巡航或惰行指令,并提高轨迹预测更新频率;当判定为危险状态时,下发常用制动指令;当判定为紧急防护状态时,下发最大常用制动或紧急制动指令,同步发送风险告警,必要时解除列车虚拟重联编队。
22、第二方面,本发明提供一种基于概率轨迹预测的列车编队风险场构建和安全防护系统,包括:
23、映射嵌入模块,用于构建列车编队历史轨迹数据集;其中,按照固定的时间间隔对列车运行状态按照列车编队集合中的顺序进行采样,得到时刻长度为的历史轨迹;其中,列车编队集合中按照编队前进的反方向列车编号依次增大,列车运动的状态变量包括在时刻列车沿着轨道方向的位移和速度;将历史轨迹中的位移、速度信息映射嵌入到高维状态空间,并采用可学习查找表的方式为嵌入后的序列添加时序信息,得到特征序列;
24、时空注意力编码器,用于捕捉列车轨迹时序、列车间的轨迹相互影响关系,该编码器由多层相同结构堆叠而成,在每一层中,先沿着时间维度对输入序列进行时间注意力计算,再沿着空间维度进行空间注意力计算,所述空间注意力计算以编队中相邻列车轨迹为对象,捕获列车间的相互影响关系,最后经前馈网络、残差连接与归一化操作得到编队列车历史轨迹间的时空交互特征;
25、融合注意力解码器,用于获取未来轨迹的隐藏表示;该解码器同样由多层相同结构堆叠而成,其输入由两部分构成:一部分为所述编码器的输出,另一部分为被预测列车的历史轨迹,在解码器每一层中,首先对被预测列车的历史轨迹进行带因果掩码的自注意力计算,再以该计算结果为查询,与编码器输出进行融合注意力计算,并通过求和方式融合不同来源的注意力结果,生成未来轨迹的隐藏表示;
26、混合概率密度输出层,通过线性层将解码器的输出映射到多模态高斯分布的参数空间,得到每个预测时间步对应的模态权重、位移和速度期望、标准差及相关系数,对这些参数施加激活函数以满足约束,最终输出被预测列车未来轨迹的概率分布;
27、行车控制模块,用于在得到预测轨迹的高斯分布后,进行轨道占用概率的计算,结合列车实际长度,把轨迹高斯分布转化为轨道占用概率分布;构建碰撞风险场,综合列车速度、加速度、质量、预测时长及线路条件,计算单列车及编队整体风险场强度;计算动态安全间隔,融合制动性能、轨迹不确定性、碰撞风险,得出可动态调整的安全行车间距;最后通过蒙特卡洛采样算出间隔侵入概率,依据概率划分安全、预警、危险、紧急四个等级,并匹配对应的行车控制指令。
28、第三方面,本发明提供一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质用于存储计算机指令,计算机指令被处理器执行时,实现如第一方面所述的基于概率轨迹预测的列车编队风险场构建和安全防护方法。
29、第四方面,本发明提供一种计算机设备,包括存储器和处理器,所述处理器和所述存储器相互通信,所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令执行如第一方面所述的基于概率轨迹预测的列车编队风险场构建和安全防护方法。
30、第五方面,本发明提供一种电子设备,包括:处理器、存储器以及计算机程序;其中,处理器与存储器连接,计算机程序被存储在存储器中,当电子设备运行时,所述处理器执行所述存储器存储的计算机程序,以使电子设备执行实现如第一方面所述的基于概率轨迹预测的列车编队风险场构建和安全防护方法的指令。
31、本发明有益效果:克服了现有技术中未充分考虑前车行驶意图、难以量化轨迹不确定性的问题,能够为虚拟重联列车的安全间隔控制与运行效率优化提供支撑。
32、本发明附加方面的优点,将在下述的描述部分中更加明显的给出,或通过本发明的实践了解到。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com